致未来银行数据科学家的一封信

“做一名数据科学家是愉快的，和一群数据科学家工作是幸福的。”—某人

数据科学家是所谓性感的职业称呼，而并非真正的科学家。这一点在实际工作中也体现的比较明显，银行的数据科学家关注的是如何将技术与应用结合，最大化的发挥内外部数据价值。学术界的科学家更加关注底层算法的优化和提升，间接为银行提供更棒的轮子和引擎。

从模型角度，银行数据科学家更关注应用级的模型，特征与参数选择会比学习算法的优化更重要，另外数据准备也会花费更多的时间。业界有人宣称借助新的机器学习工具，低水平的人就能搞定一个风控模型，其实原理很简单，建模过程还需要一个高水平的人在准备数据。

对银行数据科学家来说，行业理解要远大于技术因素，深耕业务才能了解真实的痛点。如果一家Fintech公司光强调技术，却根本没有能力让企业买单，那这家公司实际上有很大的风险，更何况技术本身也未必经得起专业人士的考量。降维打击有成功的潜力，但更需要工匠精神的细致与打磨，没有捷径。其实越是技术出身，越应该懂得谦逊与敬畏，要追求合作共赢，回归初心，做好支持和辅助，这才是通常所说empower的真谛。

银行应该建立统一的数据科学团队，面向总分行提供全方位的数据科学服务。数据科学团队是一支特种兵小队，涉及人员主要分为三类：第一类是业务分析与建模人员，熟悉业务需求，把握应用场景，能力覆盖传统评分建模以及业务分析模型设计；第二类是数据科学人员，包括数据开发、复杂网络计算、数据产品实现和新型算法研究的能力；第三类是具备数据领域全栈综合能力的队长，兼具咨询和研发的横向纵向能力，综合发挥导演、编剧和监制的作用，能够在客观条件下把控交付进度和质量。第三类人员俗成“首席数据科学家”，压力很大，大家多多支持。

这支数据科学团队应当秉持开放的精神，欢迎更多的人一起来参与数据分析挖掘。大数据时代，我们看重的是增量文化，就是通过协作创造更多的岗位和机会，而并非传统背景下的零和游戏，谁也不会取代谁。数据科学团队会帮助大家学习与进步，共同成长。因此开放的内容包括数据、工具、技术，还包括数据产品的解决方案。在建立有效的验证评审机制之上，让更多的人来加入到专业化的工作之中。

与此同时，银行零售、风险、信用卡、审计、法规等部门也需要建立专属的数据团队，满足部门内部个性化的需求。跨部门数据团队之间的合作是最让人期待的部分，专业人士的对接往往会取得事半功倍的效果。新时期银行的“变”，最重要的是科技驱动改变。科技视角与业务视角下的数据团队，承担各自不同的角色与分工，共同完成数据价值链条的构建与完善。

数据科学团队的开放对组织来说是好事，但对个人来说意味着巨大的压力。团队要保持足够的技术领先，才能有资格去讨论开放。数据科学团队具备创新的气质，要求每个成员具备足够的“专业”能力。专业性体现在多个层面，在团队、部门、企业多个层级建立专业能力认知并非易事，但这只是基础。一个有理想的数据科学团队，应该在金融行业方面、在技术和学术领域方面都获得尊重和信任。有了足够的专业能力，才能在数据科学工作的多个干系方之间赢得认可，进而掌控好交付的进度和水准。

构建专业能力，并非一朝一夕之功，需要勤奋与刻苦。数据科学家，应该让学习成为一种习惯。近期部门内部对应届生建立了导师制度，在每位导师身上都有很多的知识值得大家去请教和学习。因为抹不开面子而不去向其他同事学习，其实是一件很吃亏的事情。建立良好的学习氛围，定期总结并分享工作经验，让大家都能获得成长。每位成员都拥有跳槽的能力，同时又认可团队的文化，在个人和团队之间获得平衡，这样才是数据科学团队的建设目标。

通常来说，能力与个性往往成正比，能力越大，脾气越大。对于具备创新气质的团队，需要尊重成员个性化的发展需求，在确保整体目标完成的基础上，允许个人选择工作内容甚至是研究性的课题，从而让个人价值能够持续得到认可与提升。团队打好硬仗的前提是个人成长诉求的满足，个人与团队、个人与企业的发展需要产生共鸣。换句话说，就是让每个成员拥有足够的专业性，同时又能开心的工作。

回归主题，做数据科学家无疑是开心的，实现个人价值的提升。与一群数据科学家工作是幸福的，来与时代一起共舞吧。因此，诚挚欢迎业界优秀人才加盟光大银行，如有意向，请发送简历到[e-mail]，或在本公众号进行留言。

具体岗位职责：

1、结合银行业务领域重点任务，通过数据分析支持精准营销、客户服务、智能风控、运营优化等工作。

2、负责数据挖掘领域的工作，参与数据挖掘及数据产品研发的规划、设计及实施。

3、结合前沿技术探索业务智能化应用场景，参与银行大数据创新项目的研究与落地。

能力要求如下：

1、35周岁以下，全日制硕士研究生以上学历，计算机、数学、统计等相关专业。

2、作为核心团队成员参与过金融数据分析或数据挖掘项目，有实际项目成果者优先考虑。

3、熟悉数据挖掘过程，具备独立完成数据抽取、数据处理、数据建模及验证、数据分析报告等任务的能力。

4、熟练掌握SAS、Python、R等一种或一种以上的分析工具，能够尝试将机器学习、深度学习技术与金融应用场景进行结合应用。

5、具有较强的逻辑分析能力，同时对新知识、新事物具有强烈的钻研精神，思路清晰、思维缜密。

6、诚实正直，良好的团队合作精神和沟通能力，具备较强的创新意识及自我驱动能力，具备领导力者优先考虑。